Rethinking Higher Education/Chapter 7/zh

第七章

超越课堂：面向人工智能转型劳动力市场的替代学习形式、机构和目标

Martin Woesler

湖南师范大学

摘要

人工智能在经济生产中的加速融合不仅正在淘汰特定的工作类别，还正在使其所依赖的教育假设过时。如果机器现在可以执行大多数常规认知任务——起草法律文件、编写代码、翻译文本、分析数据——那么为这些任务培训学生的传统教育模式就面临着合法性危机。本文考察了应对这一危机的替代学习形式、机构和教育目标的新兴格局，并对欧洲和中国的方法进行了系统比较。我们分析了微证书和纳米学位、基于能力的教育、基于项目和挑战的学习、同伴学习、企业大学、训练营和开放教育平台，评估每种形式对人工智能转型经济中劳动力准备度的潜在贡献。欧洲的监管框架——包括ECTS微证书体系、博洛尼亚进程的调整以及欧盟数字教育行动计划（2021-2027年）——与中国通过"教育现代化2035"和"新型基础设施"战略的国家驱动方法进行了比较。我们认为，无论是欧洲对正式认证的偏好还是中国对快速规模化的强调，都未能解决根本问题：为稳定知识领域设计的教育体系无法充分准备学习者面对以根本性不确定性为特征的劳动力市场。我们提出，最有前景的发展是那些将教育目标从知识传递转向适应能力的发展——即响应变化需求学习、去学和重新学习的能力。

关键词：替代教育、人工智能劳动力市场、微证书、基于能力的教育、欧中比较、数字教育、终身学习、劳动力转型

1. 引言：课程的过时

2023年，世界经济论坛《未来就业报告》估计，未来五年内44%的工人核心技能将需要改变——这是该调查开始以来预期的最大技能颠覆（WEF 2023）。麦肯锡全球研究院预计，到2030年，全球将有多达3.75亿工人需要因自动化和人工智能而转换职业类别（Manyika等人 2017）。在中国，制造业雇用超过1亿工人、服务业正在快速自动化的背景下，国务院2017年"新一代人工智能发展规划"承认人工智能将对"就业结构"带来"严峻挑战"。

这些预测有一个共同含义：传统教育模式——围绕学科知识组织的四年制大学学位、通过讲座和研讨班提供、通过考试评估、最终获得在整个职业生涯中有效的证书——与当代劳动力市场的需求越来越不匹配。计算机科学毕业生的技术知识半衰期约为五年；数字营销毕业生可能在两年内发现其技能已过时。即使在传统上稳定的职业——法律、医学、会计——人工智能也在自动化曾经是合格专业人员专属领域的任务。

本文考察了对这种不匹配的应对。我们调查了正在欧洲和中国出现的替代学习形式、机构和教育目标，并评估它们为学习者准备以根本性不确定性为特征的劳动力市场的潜力。

2.1 微证书和纳米学位

微证书——认证特定技能或能力的短期、聚焦学习单元——可能代表了近代教育史上最重要的结构性创新。欧盟委员会2022年关于微证书的建议将其定义为"学习者在少量学习后所获学习成果的记录"，通常以ECTS学分（1-5个ECTS）表示，并设计为可"堆叠"以获得更大的资格认证。

在欧洲，微证书生态系统在博洛尼亚进程框架内发展。中国发展了一个平行但结构不同的系统。微证书（微证书）概念不如欧洲模式正式化但实践更广泛。中国MOOC平台——学堂在线（清华大学）、中国大学MOOC（网易/高等教育出版社）和智慧树——提供数百万课程，许多获得了中国高等教育系统内认可的学分。

对比具有启发性：欧洲强调标准化、质量保证和跨国认可；中国强调规模、速度和与现有大学结构的整合。两种方法都有弱点。欧洲模式存在过度监管扼杀创新的风险。中国模式存在证书通胀的风险。

2.2 基于能力的教育

基于能力的教育（CBE）代表了对传统模式更根本性的偏离。CBE不是通过在教学中花费的时间（学时、学期）来衡量学习，而是通过对定义能力的展示掌握来衡量学习。在欧洲，CBE在职业教育和培训（VET）系统中被最热情地采用，特别是在德国（双元制教育）、瑞士和荷兰。在中国，基于能力的方法正在职业教育改革中出现。2019年《国家职业教育改革实施方案》（"职教20条"）引入了超过500个职业类别的能力标准，并建立了"1+X"证书制度。

欧中比较揭示了一种有趣的趋同：两个系统都在向基于能力的方法迈进，但方向相反。欧洲正在已经灵活的模块化系统中添加能力框架。中国正在传统上僵化的、以考试为基础的系统中引入灵活性和模块化。

2.3 基于项目和挑战的学习

基于项目的学习（PBL）及其更具雄心的变体——基于挑战的学习（CBL）——将教育重点从知识获取转向问题解决。芬兰的教育系统已积极推进现象式学习。在中国，教育部2017年启动的"新工科"倡议在数百所大学的工程教育中引入了基于项目和跨学科的方法。

PBL和CBL特别适合人工智能转型的劳动力市场，因为它们培养的恰恰是人工智能无法轻易复制的技能：创造性问题解决、协作谈判、不确定性下的伦理判断以及跨领域整合知识的能力。

2.4 同伴学习和社区学习

互联网使绕过机构结构的学习形式成为可能。同伴学习在GitHub（编程）、Stack Overflow（技术问题解决）和知乎（一般知识交流）等平台上蓬勃发展。在中国，微信学习群和抖音教育频道已成为重要的非正式学习环境。同伴学习的优势在于其适应性；缺点是质量保证。

3.1 MOOC和在线平台

大规模在线开放课程在2012年被誉为一场革命。革命被过度承诺了：完成率平均低于10%。但十年后，MOOC生态系统已成熟为全球教育基础设施的重要组成部分。中国的MOOC生态系统按注册人数更大。学堂在线服务超过1亿注册用户。中国大学MOOC提供超过900所中国大学的课程。

3.2 企业大学和雇主主导的培训

主要科技公司开发了深度和市场价值可与大学相媲美的教育项目。谷歌职业证书、亚马逊AWS培训和微软学习平台提供行业认可的证书。在中国，华为ICT学院、阿里巴巴达摩院培训项目和字节跳动内部大学发挥类似功能。企业教育的兴起提出了关于大学目的的根本问题：大学提供的是企业培训无法也无意提供的——知识广度、批判性思维、伦理推理、文化理解以及质疑而非仅仅执行机构目的的能力。

3.3 训练营和密集职业培训

编程训练营——密集的短期培训项目——在2010年代作为进入技术领域的替代途径出现。在欧洲，Le Wagon、Ironhack和Northcoders等训练营在多个国家运营。在中国，拉勾教育、开课吧等平台为数十万学习者提供密集技术培训。训练营的强项是工作相关性；弱点是狭隘性。

3.4 开放大学和终身学习中心

欧洲的开放大学传统——以英国开放大学（1969年成立）、德国哈根远程大学和西班牙UNED为代表——提供了先于数字革命的终身学习模式。中国的对应机构——国家开放大学（原中央广播电视大学）及其3000多个学习中心网络——服务约400万注册学生，是世界上最大的教育机构之一。

4.1 从知识传递到适应能力的转变

人工智能转型劳动力市场所要求的最根本变化不在于学习形式或机构，而在于教育目标。如果人工智能可以比任何人类更快、更准确地获取、组织和应用事实知识，那么教育溢价就从"知道"转向"元知道"：快速学习新领域、批判性评估信息、综合不同领域的视角、提出正确的问题以及在数据模糊或不完整的情况下行使判断的能力。

4.2 人工智能素养作为核心能力

人工智能素养——理解、评估和适当使用人工智能工具的能力——正在迅速成为与数字和文字素养同样基本的能力。我们区分了三个维度：技术素养（有效使用人工智能工具的能力）、概念素养（理解人工智能能做什么和不能做什么）和伦理素养（理解人工智能部署的社会影响）。

4.3 创造力、批判性思维和情商

如果人工智能处理常规认知任务，那么独特的人类能力——创造力、批判性思维、情商、伦理推理和跨文化交流——就成为经济价值的核心。世界经济论坛的《未来就业报告》一贯将分析思维、创造性思维、韧性、灵活性和好奇心确定为雇主最看重的技能——这些都不是特定领域的知识。

4.4 跨文化能力作为竞争优势

在人工智能处理跨越语言和文化界限的常规任务的全球化经济中，驾驭文化差异的能力成为具有重大经济价值的独特人类能力。跨文化能力不仅仅是语言能力（人工智能可以越来越多地模拟），而是文化智力：解读模糊的社会信号、适应不熟悉的文化语境以及跨文化界限建立信任的能力。

5.1 欧洲模式：监管与标准化

欧盟的教育改革方法通过复杂的多层次治理结构运作。数字教育行动计划（2021-2027年）确立了两个战略优先事项。欧洲技能议程（2020年）设定了目标，包括到2030年60%的成年人每年参与学习。

5.2 中国模式：国家指导和快速规模化

中国的教育治理是集中化的。教育部制定国家政策，省级教育局执行。这种结构使得能够迅速、大规模地行动。"新基建"战略（2020年宣布）将人工智能指定为七个战略基础设施类别之一。这种方法的优势是执行速度和规模；弱点是灵活性不足。

5.3 走向相互学习

欧洲和中国的模式不仅不同而且互补。欧洲需要更多中国快速规模化和将替代证书整合到正式教育系统中的意愿。中国需要更多欧洲对质量保证、学习者自主性和教育哲学基础的强调。

6.1 证书主义陷阱

随着替代证书的增多，证书通胀的风险增长。如果微证书、纳米学位、训练营证书和企业认证在没有健全质量保证的情况下倍增，劳动力市场可能面临证书无法可靠地反映能力的局面。

6.2 数字鸿沟

替代学习形式绝大多数需要数字接入、数字素养和自主学习能力。这些先决条件在国家之间和国家内部分布不均。在中国，城乡教育基础设施差距仍然很大。在欧洲，北部和南部、东部和西部成员国之间的数字鸿沟造成了类似的不平等。

6.3 人文教育的丧失

将教育与劳动力市场需求对齐的压力可能边缘化最能抵抗人工智能颠覆的教育维度：人文探究、哲学反思、审美欣赏和公民培养。Ole Doering在本卷中的分析——区分知性（技术智能）和理性（实践智慧）——直接相关：替代教育必须同时培养两者，才能服务于人类的蓬勃发展而不仅仅是经济生产力。

7. 结论：走向均衡模式

欧洲和中国替代教育的格局揭示了一个共同的诊断——传统教育模式与人工智能时代劳动力市场需求越来越不匹配——和不同的应对。欧洲强调监管、标准化和质量保证。中国强调规模、速度和国家主导的整合。两种方法单独都不够充分。

我们认为最有成效的前进道路结合了两种传统的要素：从欧洲模式中汲取健全的质量保证框架和对人文教育的承诺；从中国模式中汲取大规模实验的意愿和在正式大学结构中整合在线和线下学习的做法。

最有价值的人工智能时代教育不是教学生做什么——人工智能可以更快、更便宜地完成大多数具体任务——而是教学生如何思考、如何学习、如何判断和如何关怀。

致谢

由欧盟共同资助。所表达的观点和意见仅代表作者本人，不一定反映欧盟的立场[101126782]。

[REF] 参考文献

[REF] Chapelle, C. A. (2001). Computer Applications in Second Language Acquisition. Cambridge University Press.

[REF] European Commission. (2022). Proposal for a Council Recommendation on a European approach to micro-credentials for lifelong learning and employability. Brussels: EC.

[REF] European Union. (2024). Regulation (EU) 2024/1689 laying down harmonised rules on artificial intelligence (AI Act). Official Journal of the European Union.

[REF] Golonka, E. M., et al. (2014). Technologies for foreign language learning: A review. Computer Assisted Language Learning, 27(1), 70–105.

[REF] Jonas, H. (1984). The Imperative of Responsibility: In Search of an Ethics for the Technological Age. University of Chicago Press.

[REF] Manyika, J., et al. (2017). Jobs Lost, Jobs Gained: Workforce Transitions in a Time of Automation. McKinsey Global Institute.

[REF] Ministry of Education, PRC. (2019). 国家职业教育改革实施方案.

[REF] State Council, PRC. (2017). 新一代人工智能发展规划.

[REF] State Council, PRC. (2019). 中国教育现代化2035.

[REF] Toffler, A. (1970). Future Shock. Random House.

[REF] Wenger, E. (1998). Communities of Practice: Learning, Meaning, and Identity. Cambridge University Press.

[REF] World Economic Forum. (2023). The Future of Jobs Report 2023. Geneva: WEF.

第三部分：技术与创新

第三部分：技术与创新